Реакциони ГИФ-ови нуде нови кључ за препознавање емоција у НЛП-у

Ново истраживање из Тајвана нуди нову методу за обраду природног језика (НЛП) за обављање анализе сентимента на форумима друштвених медија и скуповима података за истраживање језика – категоризацијом и означавањем анимираних ГИФ-ова који се објављују као одговор на текстуалне најаве.

Истраживачи, предвођени Боазом Шмуелијем са Националног Тсинг Хуа универзитета на Тајвану, користили су Твиттер-ову уграђену базу података ГИФ-ова реакција као индекс за квантификацију афективног стања одговора корисника, елиминишући потребу да се преговара о вишејезичким одговорима, изазов откривања сарказма или идентификовања основне емоционалне температуре на основу двосмислених или претерано кратких одговора.

Кликом на дугме 'ГИФ' приликом састављања објаве на Твиттер-у нуди се стандардни скуп означених анимираних ГИФ-ова које је НЛП-у потенцијално лакше да анализира у 'идентификоване' емоције него језиком обичног текста.

папир карактерише коришћење реакционих ГИФ-ова на овај начин као 'нова врста етикете, још није доступна у НЛП скуповима података о емоцијама', и примећује да постојећи скупови података или користе димензионални модел емоција или модел дискретних емоција, ни једно ни друго не нуди овакав увид.

Анимирани ГИФ одговор на објаву корисника. Са ГИФ-ом који је испоручио Твитер сада кодификован у смислу афективног стања, двосмисленост намере је скоро уклоњена. Извор: хттпс://аркив.орг/пдф/2105.09967.пдф

Истраживачи су објавили а скуп података од 30,000 саркастичних твитова који садрже ГИФ реакције. Овај приступ нуди НЛП-у разлику која је одсутна у другој актуелној литератури: метод за разликовање перцепција емоција (емоције које читалац идентификује из текста) из индуцед емоција (осећање које читалац доживљава као реакцију на текст).

Реакциони ГИФ-ови као редуктивни индикатори

Што се тиче одговора подршке на пост који дели узнемирујуће емоционално стање, одговарајући ГИФ је корисно редукционистички и недвосмислене намере, када се поставља без пратећег текста (а ово су типови ГИФ одговора на које се студија концентрисала).

На пример, реакције као нпр 'То је брутално, човече', 'То је штета', Или 'аввв' садрже потенцијалне двосмислености намере, од могућности одређеног 'клиничког' и непромењеног становишта до могућности сарказма; али објављивање једног од стотина Твиттер-ових ГИФ-ова у категорији 'загрљај' оставља мање простора за тумачење:

Удубљивање у подзначења ГИФ реакције

Без обзира на то, у оквиру било које појединачне категорије реакције, као што је „загрљај“, постоје бројни додатни индикатори расположења или гледишта који обухватају више жанрова погођеног стања, укључујући становиште романтичних или породичних претпоставки о односу између особе која је одговорила и оригиналног постера.

Приказ различитих типова односа у Твиттер-овој доступној ГИФ категорији „загрљај“. Употреба различитих жанрова, тропа, родних приказа и других фактора додаје грануларност потенцијалној интерпретабилности избора ГИФ-а за ово осећање.

РеацтионГИФ скуп података изведен је из првих 100 ГИФ-ова у свакој доступној категорији реакција на Твитеру, што је довело до базе података од 4300 анимираних слика. Када се ГИФ појављује у више од једне категорије, категорија са вишим положајем у ГУИ-у има већи пондер. Слике које се појављују у више категорија добијају а сличност реакција фактор – метрика измишљена за студију.

Афинитети се затим откривају коришћењем хијерархијског груписања и просечне везе.

Повећање Реацтион ГИФ података

Скуп података је генерисан и означен применом методе на 30,000 твитова. „Богати афективни сигнал“ категорије реакције омогућио је истраживачима да допуне скуп података додатним афективним ознакама, заснованим на кластерима категорија позитивних и негативних реакција, и да додају ознаке емоција са наменском шемом мапирања реакција на емоције, на основу већина пресуда три људска процењивача на узорку твитова.

Пре рад са Иахоо-а и Универзитета у Рочестеру, који се бави анотацијом ГИФ-ова, нема овај слој елицитираног текста, нити било какве реакционе категорије, већ је чисто семантички.

Истраживачи су проценили скуп података кроз четири приступа: РоБЕРТа, конволуциона неуронска мрежа (ЦНН) Рукавица, класификатор логистичке регресије и класификатор једноставне већине. Тежина осуде за сваку категорију се сасвим јасно појављује у резултатима, при чему је одобравање, слагање и саосећање најлакше идентификовати (и најзаступљеније), а извињење је најтеже проценити, можда зато што ово укључује могућност сарказма.

РоБЕРТа модел је генерисао највиши тестирани просек рангирања у све три методе евалуације, које су обухватале предвиђање афективних реакција, предвиђање индукованог осећања и предвиђање индукованих емоција.

Извлачење корисничких емоција из ГИФ-ова реакције

Истраживачи примећују да је идентификација изазваних емоција један од најизазовнијих задатака у анализи осећања и емоција заснованој на НЛП-у, и да коришћење ГИФ-ова реакције као замене нуди могућност каснијим пројектима да се прикупљају. 'велике количине јефтиних, природних, висококвалитетних афективних етикета'.

Упркос концентрисању на веома специфичан локус ГИФ-ова уграђених у корисничко искуство Твитера, студија тврди да се овај метод може генерализовати на друге платформе друштвених медија, као и платформе за размену тренутних порука, и потенцијално бити од користи у секторима као што су препознавање емоција и мултимодални детекција емоција.

Популарност као кључни индекс

Чини се да се приступ ослања на одређену 'вирусност' за сваки ГИФ, на пример када је ГИФ заиста доступан преко Твиттер-ових сопствених механизама. Претпоставља се да нови ГИФ-ови које генеришу корисници нису могли да уђу у ову екоструктуру осим због повећане популарности и усвајања као мема.

ГИФ-ови реакције имају оживио употреба Примитивни анимирани ГИФ из 1987 формат у последњих десет година, након година лоше репутације као пропусног опсега (примарно коришћен за досадне рекламе на банерима) у ери Интернет В1 пре широкопојасног приступа.